自我监督的学习（SSL）为在没有昂贵的标签的无效标签上的代表性学习提供了有希望的替代方案。但是，现有的HyperGraph SSL模型主要基于与实例级别歧视策略的对比方法，这是两个重要的局限性：（1）他们任意选择负样本，这对于确定相似和不同的对，导致训练偏见是不可靠的。 （2）他们通常需要大量的负样本，从而导致昂贵的计算成本 ...
随着语言模型中参数数量的急剧增加，稀疏方法已获得越来越多的研究重点，以压缩和加速模型。尽管大多数研究都集中于如何在保持压缩模型的性能的同时准确保留适当的权重，但在压缩大规模语言模型时，稀疏训练的计算开销和记忆足迹却存在挑战。为了解决这个问题，我们提出了一种参数有效的稀疏训练（PST）方法，以减少下游任务中稀疏感知训练期间的可训练参数的数量 ...
监督的机器学习正在成为一种强大的计算工具，以有限的计算成本预测复杂量子系统的性质。在本文中，我们量化了如何准确的深度神经网络可以学习无序量子系统的特性，这是系统大小的函数。我们实施一个可扩展的卷积网络，可以解决任意系统大小 ...
稀疏视图输入中渲染现实的人对象相互作用（HOI），由于阻塞和观察不完整，但对于各种现实世界应用至关重要。现有的方法总是以低渲染质量（\ fisual Fidelity和Pricans Promible Hois）或高计算成本而苦苦挣扎。为了解决这些局限性，我们提出了HOGS（通过3D高斯分裂呈现人类对象渲染），这是一个新型的框架，可从稀疏的视图中呈现出高效且在物理上合理的HOI渲染 ...
大语言模型（LLM）规模的迅速增加已大大升级了它们的计算和记忆需求，对有效部署提出了挑战，尤其是在资源受限的设备上。结构化修剪已成为一种有效的模型压缩方法，可以在保留性能的同时减少这些需求。在本文中，我们介绍了FASP（快速，准确的结构化修剪），这是一个针对LLM的新型结构化修剪框架，强调了速度和准确性 ...
语言引导的机器人抓钩是一个快速前进的领域，在该领域中，使用人类语言指示机器人掌握特定对象。但是，现有的方法通常取决于密集的相机视图，并难以快速更新场景，从而限制了它们在可变环境中的有效性。相比之下，我们提出了一种新型的开放式机器人抓握系统SparseGrasp，可通过稀疏视图RGB图像有效地运行，并迅速处理场景更新 ...
尽管用于推理加速的大语言模型 (LLM) 量化很受欢迎，但与各种量化格式相关的准确性与性能权衡仍然存在很大的不确定性。我们对量化精度进行了全面的实证研究，在整个 Llama-3.1 模型系列上跨学术基准和实际任务评估了流行的量化格式（FP8、INT8、INT4） ...
从人类演示中学习是一种有效的手段，可以教机器人操纵技巧。但是，由于涉及的成本和人力努力，数据采集是更广泛地应用此范式的主要瓶颈。对模仿双敏感机器人（如人形生物）的模仿学习引起了极大的兴趣 ...
